論文の概要: Recommendations for Efficient and Responsible LLM Adoption within Industrial Software Development

• arxiv url: http://arxiv.org/abs/2604.26590v1
• Date: Wed, 29 Apr 2026 12:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.388917
• Title: Recommendations for Efficient and Responsible LLM Adoption within Industrial Software Development
• Title（参考訳）: 産業ソフトウェア開発におけるLCM導入の効率化への提言
• Authors: Krishna Ronanki, Beatriz Cabrero-Daniel, Tomas Herda, Stefan Sitkovich, Jennifer Horkoff, Christian Berger,
• Abstract要約: 大規模言語モデル(LLM)は、様々なソフトウェア工学(SE)活動に大きな影響を与えることが観察されている。 アクセシビリティの向上により、業界における強力なLDMの採用が最近急増している。 我々はこの研究ギャップに対処するために7つの行動可能なレコメンデーションを開発した。
• 参考スコア（独自算出の注目度）: 4.18731352667139
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Context: Large language models (LLMs) are observed to have a significant positive impact on various software engineering (SE) activities. With improved accessibility, the adoption of powerful LLMs in industry has surged recently. However, there is a lack of actionable best practices for the efficient and responsible adoption of LLMs within industrial software settings. Objectives: We developed seven actionable recommendations to address this research gap. Methods: We conducted a multi-case study with three organisations that use LLMs within their SE activities and synthesised seven recommendations through qualitative thematic analysis. We conducted a complementary online survey with software practitioners from various industries to evaluate the perceived relevance of our recommendations. Results: Our results and recommendations focus on (i) users' preference to use LLMs as AI assistants, (ii) the importance of relevant stakeholders' satisfaction in the LLM-output evaluation, (iii) scoping the applicability of LLMs within SE tasks, (iv) the effect of LLMs on SE workflows, (v) the necessity and directions for developing human oversight mechanisms, and (vi) the necessary skills for practitioners for leveraging LLMs within SE. The online survey indicates a high level of agreement from the participants regarding the perceived relevance of the recommendations. Conclusion: We outline future research directions, including mapping the seven recommendations to the principles of the EU AI Act (AIA) in order to examine how they relate to the current regulatory compliance frameworks.
• Abstract（参考訳）: コンテキスト: 大規模言語モデル(LLM)は、様々なソフトウェアエンジニアリング(SE)活動に大きな影響を与えることが観察されている。 アクセシビリティの向上により、業界における強力なLDMの採用が最近急増している。 しかし、産業ソフトウェア設定におけるLLMの効率的かつ責任ある採用には、実用的なベストプラクティスが欠如している。 目的: この研究ギャップに対処するために, 行動可能な7つのレコメンデーションを開発した。 方法:SE活動にLLMを使用する3つの組織で多ケーススタディを行い,質的テーマ分析により7つの推奨事項を合成した。 我々は,様々な業界のソフトウェア実践者と補完的なオンライン調査を行い,勧告の妥当性について検討した。 結果: 結果と推奨事項は i)LLMをAIアシスタントとして使用するユーザの好み 2 LLM出力評価における利害関係者の満足度の重要性 三)SEタスク内でLLMの適用性をスコーピングすること。 (4)SEワークフローに対するLLMの影響 五 人間の監視機構の整備の必要性及び方向性 (vi) SE 内で LLM を活用するための実践者に必要なスキル。 オンライン調査は、勧告の妥当性について、参加者から高いレベルの合意が得られたことを示している。 結論:7つの勧告をEU AI Act(AIA)の原則にマッピングして、現行の規制コンプライアンスフレームワークとの関連性を検討することを含む、今後の研究の方向性について概説する。

関連論文リスト

• From Selection to Generation: A Survey of LLM-based Active Learning [153.8110509961261]
  大きな言語モデル(LLM)は、全く新しいデータインスタンスを生成し、よりコスト効率の良いアノテーションを提供するために使われています。 本調査は,LSMに基づくAL手法の直感的な理解を目指して,研究者や実践者の最新のリソースとして機能することを目的としている。
  論文  参考訳（メタデータ） (2025-02-17T12:58:17Z)
• A Framework for Using LLMs for Repository Mining Studies in Empirical Software Engineering [12.504438766461027]
  大規模言語モデル(LLM)は、ソフトウェアリポジトリを分析する革新的な方法を提供することで、ソフトウェア工学(SE)を変革した。 私たちの研究は、PRIMES(Prompt Refinement and Insights for Mining Empirical Software repository)というフレームワークをまとめています。 この結果,PRIMESの標準化により,LLMを用いた研究の信頼性と精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-11-15T06:08:57Z)
• EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• Exploring the Evidence-Based SE Beliefs of Generative AI Tools [2.3480418671346164]
  我々は、ソフトウェア開発の実践を支援するためにますます使われている生成型AIツールの「信条」を調査する。 我々の研究結果は、生成型AIツールには、研究の主張に関する曖昧な信念があり、回答を支援するための信頼できる証拠が欠如していることを示しています。
  論文  参考訳（メタデータ） (2024-07-18T21:06:39Z)
• A Reality check of the benefits of LLM in business [1.9181612035055007]
  大規模言語モデル(LLM)は、言語理解および生成タスクにおいて顕著なパフォーマンスを達成した。 ビジネスプロセスにおけるLCMの有用性と準備性について概説する。
  論文  参考訳（メタデータ） (2024-06-09T02:36:00Z)
• Tapping the Potential of Large Language Models as Recommender Systems: A Comprehensive Framework and Empirical Analysis [91.5632751731927]
  ChatGPTのような大規模言語モデルは、一般的なタスクを解く際、顕著な能力を示した。 本稿では,レコメンデーションタスクにおけるLLMの活用のための汎用フレームワークを提案し,レコメンデーションタスクとしてのLLMの機能に着目した。 提案手法は,提案手法が推薦結果に与える影響を解析し,提案手法とモデルアーキテクチャ,パラメータスケール,コンテキスト長について検討する。
  論文  参考訳（メタデータ） (2024-01-10T08:28:56Z)
• LLMRec: Benchmarking Large Language Models on Recommendation Task [54.48899723591296]
  推奨領域におけるLarge Language Models (LLMs) の適用について, 十分に検討されていない。 我々は、評価予測、シーケンシャルレコメンデーション、直接レコメンデーション、説明生成、レビュー要約を含む5つのレコメンデーションタスクにおいて、市販のLLMをベンチマークする。 ベンチマークの結果,LLMは逐次的・直接的推薦といった精度に基づくタスクにおいて適度な熟練度しか示さないことがわかった。
  論文  参考訳（メタデータ） (2023-08-23T16:32:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。